Riassunto Tecnico: Feynman–Kac Reweighted Schrödinger Bridge Matching per l'armonizzazione di Tau PET basata su superficie

Definizione del Probleamento

Gli studi di neuroimaging multi-sito sono essenziali per aumentare la potenza statistica, ma sono confusi dalla variabilità non biologica derivante da differenze tra scanner, protocolli di acquisizione e radiotraccianti. Questa variabilità gonfia la varianza dei biomarcatori, riduce la sensibilità agli effetti della malattia e può introdurre un bias sistematico, in particolare quando le distribuzioni dei siti co-variano con le variabili biologiche.

Sebbene i metodi di armonizzazione mirino a rimuovere gli spostamenti indotti dal sito, gli approcci esistenti affrontano limitazioni significative in contesti non accoppiati (dove non esistono soggetti comuni tra i siti):

• Metodi statistici (es. ComBat): Assumono effetti lineari e gaussiani e trattano le caratteristiche in modo indipendente, fallendo nel catturare interazioni non lineari.
• Metodi di deep learning (es. CycleGAN): Soffrono di instabilità nell'addestramento, mode collapse e l'impossibilità teorica del disaccoppiamento non supervisionato senza forti bias induttivi.
• Metodi basati sulla diffusione: Si affidano all'iniezione di rumore, che presenta un compromesso tra adattamento del dominio e preservazione del contenuto.

Rimane una lacuna critica nell'armonizzazione basata sul Ponte di Schrödinger (Schrödinger Bridge - SB). Le implementazioni standard di SB (es. Diffusion Schrödinger Bridge Matching, DSBM) tipicamente campionano coppie di endpoint indipendentemente dalla misura prodotto $\pi_0 \otimes \pi_1$. Quando le coorti sorgente e target differiscono nella composizione dei sottogruppi (es. diverse proporzioni di soggetti tau-positivi e tau-negativi), questo accoppiamento "agnostico" può mappare campioni da un sottogruppo biologico a un diverso sottogruppo nel dominio target semplicemente a causa della prevalenza. Ciò confonde le differenze del tracciante con la variazione biologica, vanificando lo scopo dell'armonizzazione. Inoltre, l'applicazione di SB alla neuroimaging basata su superficie è complessa a causa della topologia non euclidea del mesh corticale.

Metodologia

Gli autori propongono il Feynman–Kac Reweighted Schrödinger Bridge Matching (FKRSBM), un framework progettato per armonizzare i dati tau PET basati su superficie rispettando le strutture dei sottogruppi biologici.

1. Fondamento Teorico: Endpoint-Regularized SB

Il metodo formula l'armonizzazione come un problema di trasporto ottimo regolarizzato dall'entropia. Per evitare la confusione tra effetti del sito e variazione biologica, gli autori introducono una penalità all'endpoint $\Phi(X_0, X_1)$ che codifica la conoscenza a priori di accoppiamenti biologicamente significativi (es. penalizzando i disallineamenti nello stato di tau-positività).

L'obiettivo minimizza la divergenza di Kullback-Leibler (KL) tra la misura di percorso appresa $P$ e una misura di riferimento $R$, aumentata da un termine di penalità:
$$P^*_\lambda \in \arg\min_{P \ll R, P_0=\pi_0} \left\{ KL(P \| R) + \lambda E_P[\Phi(X_0, X_1)] \right\}$$
dove $\lambda$ controlla la forza della penalità.

2. Feynman–Kac Reweighting

Un contributo teorico chiave è dimostrare che questo obiettivo regolarizzato è equivalente al bridge matching standard sotto una misura di riferimento Feynman–Kac ripesata $R_\lambda$.

• Meccanismo: Il ripesamento modifica l'accoppiamento degli endpoint (la distribuzione delle coppie sorgente-target) ma lascia invariata la dinamica del ponte browniano condizionale tra qualsiasi coppia fissa.
• Implementazione: Ciò consente di implementare il vincolo interamente a livello di campionamento dei dati tramite campionamento per importanza stratificato. Il modello non richiede modifiche all'architettura della rete sottostante o al solver di bridge-matching.
• Campionamento: Durante l'addestramento, gli endpoint target sono campionati da una proposta condizionale $q_\lambda(x_1|x_0) \propto \exp(-\lambda \Phi(x_0, x_1)) \pi_1(x_1)$ che accoppia preferenzialmente soggetti con etichette biologiche corrispondenti (es. tau-positivo con tau-positivo).

3. Architettura Basata su Superficie

Per i dati della superficie corticale, FKRSBM impiega un backbone convoluzionale sferica (Conditional Surface U-Net) che opera su mesh icosaedriche. Questa architettura rispetta la geometria non euclidea della corteccia, preservando la topologia superficiale durante l'armonizzazione a livello di vertice.

4. Addestramento e Inferenza

• Addestramento: Il modello utilizza un processo a due stadi (pre-addestramento e fine-tuning) che coinvolge la regressione del drift in avanti e all'indietro contro velocità del ponte browniano analitiche. Le coppie di endpoint sono estratte dalla proposta Feynman–Kac ripesata.
• Inferenza: L'armonizzazione viene eseguita integrando l'equazione differenziale stocastica (SDE) appresa da $t=0$ a $t=1$ utilizzando il metodo Euler–Maruyama, partendo da un campione sorgente.

Contributi Chiave

1. Schrödinger Bridge sulle Superfici Corticali: Il paper introduce il primo framework di armonizzazione basato su SB specificamente progettato per mesh di superficie corticale, utilizzando convoluzioni sferiche per gestire la topologia non euclidea.
2. Trasporto Vincolato agli Endpoint: Gli autori formulano un obiettivo di SB regolarizzato sugli endpoint che impedisce al trasporto di confondere gli effetti del sito con la variazione biologica. Dimostrano che ciò può essere implementato tramite il ripesamento Feynman–Kac della proposta di endpoint, senza richiedere cambiamenti architettonici al solver.
3. Design Modulare: Il ripesamento opera interamente a livello di campionamento dei dati, rendendo il vincolo modulare e compatibile con futuri miglioramenti dei solver SB.

Risultati

Il metodo è stato valutato su mappe tau PET SUVR non accoppiate, armonizzando i dati PI-2620 del coorte HABS-HD nel dominio AV-1451 di ADNI. È stato confrontato con ComBat, CycleGAN, un metodo basato sulla diffusione (DF) e DSBM non regolarizzato.

• Allineamento Distribuzionale: FKRSBM ha ottenuto la distanza di Wasserstein (WD) più bassa e la riduzione più forte della separabilità residua del sito (il più basso Somers' D) in entrambi gli emisferi, superando tutti i baseline.
• Consistenza dei Sottogruppi: A differenza di DSBM non regolarizzato, che mostrava correzioni sistematiche sotto o sovra-correttezza nei sottogruppi stratificati, FKRSBM ha mantenuto l'allineamento sia nei sottogruppi tau-positivi che in quelli tau-negativi.
• Preservazione della Tau-Positività: FKRSBM ha dimostrato il tasso più basso di inversioni dello stato di tau (2,6% emisfero sinistro, 3,0% emisfero destro) rispetto a DSBM (17,5% sinistro, 13,3% destro). Il DSBM non regolarizzato ha mostrato un forte bias verso l'inversione dei soggetti tau-negativi in positivi, un fallimento mitigato dal ripesamento.
• Stratificazione Biologica: FKRSBM ha preservato meglio la separazione tra portatori e non portatori di APOE ε4, mostrando statistiche Kolmogorov–Smirnov (KS) inferiori rispetto alla distribuzione target all'interno di questi sottogruppi genetici.
• Performance a Valle: Nei compiti di classificazione diagnostica (CN vs. AD, e CN vs. MCI vs. AD), FKRSBM ha prodotto i punteggi F1 e l'accuratezza più elevati, indicando che i dati armonizzati hanno mantenuto il segnale rilevante per la malattia riducendo al contempo il rumore del sito.

Significato e Rivendicazioni

Il paper sostiene che FKRSBM affronta un difetto fondamentale nella traduzione standard tra domini non accoppiati: il rischio di confondere l'eterogeneità biologica con gli effetti tecnici del sito quando le composizioni delle coorti differiscono. Imponendo un trasporto biologicamente coerente attraverso il ripesamento Feynman–Kac, il metodo ottiene un allineamento distributivo superiore e preserva i biomarcatori clinici critici (positività alla tau e stato APOE) meglio degli approcci statistici e di deep learning esistenti.

Gli autori concludono che l'accoppiamento consapevole degli endpoint è crucialo per l'armonizzazione in scenari in cui le coorti sorgente e target differiscono nella composizione dei sottogruppi. Posizionano FKRSBM come una soluzione rigorosa che migliora sia l'allineamento teorico che le prestazioni pratiche negli esperimenti cross-tracer di tau PET, osservando al contempo che il lavoro futuro dovrebbe estendere il metodo all'armonizzazione multi-sito, ai covariate continui e ad altre modalità di imaging basate su superficie.